Cílem této práce je profitovat na živém fotbalovém sázkovém trhu pomocí strojového učení. Doposud se akademické práce věnovaly převážně předzápasovým sportovním sázkovým trhům. Pomocí přesnosti se porovnávají vytvořené modely s bookmakerem. Nejlepší model dosahoval o 2,84 % větší přesnosti než bookmaker. Oba navržené modely vykazovaly zisk v sezoně 2020/2021 anglické nejvyšší fotbalové soutěže Premier League.
Anotace v angličtině
The goal of this thesis is to generate a profit in in-play betting markets using machine learning. Lots of academic works has focused mainly on pre match sports betting markets. The created models compared with the bookmaker using accuracy. The best model achieved 2,84 % higher accuracy than the bookmaker. Both created models reached a profit in the 2020/2021 season of the English Premier League.
Klíčová slova
strojové učení, neuronové sítě, živé sázkové trhy, fotbal
Klíčová slova v angličtině
machine learning, neural networks, in-play betting markets, football
Rozsah průvodní práce
65 s.
Jazyk
CZ
Anotace
Cílem této práce je profitovat na živém fotbalovém sázkovém trhu pomocí strojového učení. Doposud se akademické práce věnovaly převážně předzápasovým sportovním sázkovým trhům. Pomocí přesnosti se porovnávají vytvořené modely s bookmakerem. Nejlepší model dosahoval o 2,84 % větší přesnosti než bookmaker. Oba navržené modely vykazovaly zisk v sezoně 2020/2021 anglické nejvyšší fotbalové soutěže Premier League.
Anotace v angličtině
The goal of this thesis is to generate a profit in in-play betting markets using machine learning. Lots of academic works has focused mainly on pre match sports betting markets. The created models compared with the bookmaker using accuracy. The best model achieved 2,84 % higher accuracy than the bookmaker. Both created models reached a profit in the 2020/2021 season of the English Premier League.
Klíčová slova
strojové učení, neuronové sítě, živé sázkové trhy, fotbal
Klíčová slova v angličtině
machine learning, neural networks, in-play betting markets, football
Zásady pro vypracování
Seznamte se s oblastí kurzového sázení.
Seznamte se s oblastí strojového učení.
Vyberte vhodnou metodu pro predikování výsledků sportovních utkání a implementujte ji.
Vytvořte modely pro predikování výsledků sportovních utkání.
Srovnejte a zhodnoťte dosažené výsledky.
Zásady pro vypracování
Seznamte se s oblastí kurzového sázení.
Seznamte se s oblastí strojového učení.
Vyberte vhodnou metodu pro predikování výsledků sportovních utkání a implementujte ji.
Vytvořte modely pro predikování výsledků sportovních utkání.
Srovnejte a zhodnoťte dosažené výsledky.
Seznam doporučené literatury
GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning . Cambridge, Massachussetts: The MIT Press, [2016], xxii, 775 s. Adaptive computation and machine learning. ISBN 978-0-262-03561-3.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow . Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 978-1-78712-593-3.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow . Praha: Grada Publishing, 2019, 328 s. Knihovna programátora. ISBN 978-80-247-3100-1.
BURKOV, Andriy. The Hundred-Page Machine Learning Book . 2019. ISBN 978-1999579517.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow. Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 9781787125933.
ALPAYDIN, Ethem. Introduction to machine learning. 2nd ed. Cambridge, Massachusetts: MIT Press, c2010, xl, 537 s. Adaptive computation and machine learning. ISBN 9780262012430.
JONES, M. Tim. Artificial intelligence: a systems approach. Sudbury: Jones and Bartlett Publishers, 2008, 498 s. Computer science series. ISBN 9780763773373.
Seznam doporučené literatury
GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning . Cambridge, Massachussetts: The MIT Press, [2016], xxii, 775 s. Adaptive computation and machine learning. ISBN 978-0-262-03561-3.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow . Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 978-1-78712-593-3.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow . Praha: Grada Publishing, 2019, 328 s. Knihovna programátora. ISBN 978-80-247-3100-1.
BURKOV, Andriy. The Hundred-Page Machine Learning Book . 2019. ISBN 978-1999579517.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow. Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 9781787125933.
ALPAYDIN, Ethem. Introduction to machine learning. 2nd ed. Cambridge, Massachusetts: MIT Press, c2010, xl, 537 s. Adaptive computation and machine learning. ISBN 9780262012430.
JONES, M. Tim. Artificial intelligence: a systems approach. Sudbury: Jones and Bartlett Publishers, 2008, 498 s. Computer science series. ISBN 9780763773373.
Přílohy volně vložené
1 CD
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Diplomant odprezentoval před komisí hlavní cíle a výsledky své diplomové práce. Prezentace jako celek byla zpracována na výborné úrovni, student dokázal vystihnout klíčové body práce. Následně byl student seznámen s posudky vedoucího a oponenta diplomové práce. Diplomant postupně odpověděl na otázky oponenta práce.
Komise vznesla k obhajobě následující dotazy:
1) Prof. Vašek: Jaká je úspěšnost Vašeho modelu?
2) Prof. Vlček: Má význam zohledňovat periodu střídání hráčů a trenérů?
Na kladené dotazy diplomant reagoval na výborné úrovni.